AI가 코드를 작성하지만 인프라는 따라갈 수 있을까?

우리는 소프트웨어 엔지니어링 역사상 가장 이상한 역전을 경험하고 있습니다. 수십 년 동안 결정론을 목표로 시스템을 구축하여 항상 동일하게 작동하도록 했습니다. 이제 우리는 그 기초 위에 확률적 인공지능 에이전트를 계층화하여 코드를 경악할 만한 규모와 속도로 생성하고 있습니다. 그리고 정직하게 말하자면, 대부분의 인프라는 이에 대비되지 않았습니다.

私は DevOps 툴링, 연구 공저, 엔지니어 팀의最高 성능에 도달하는 것을 도와주는 것을 몇 년 동안 해왔습니다. 지금 인공지능 주도 개발에서 보는 것은 단순한 발전이 아닙니다. 그것은 우리의 기존 워크플로우의 모든 결함을 노출합니다.

문제는 이미 여기 있습니다

2025년 GitClear 연구에 따르면 거의 7%의 커밋이 이제 인공지능으로 생성된 코드를 포함합니다. 그들의 이전 분석은 1.53억 줄의 변경된 코드를 분석하여 “코드 차질” – 2주 이내에 다시 작성되거나 삭제된 코드 – 이 2024년까지 인공지능 이전의 기준선과 비교하여 두 배로 증가했다는 것을 보여주었습니다.

보안 영향은 동일하게 심각합니다. 최근 100개 이상의 대형 언어 모델에 걸친 80개의 커링된 코딩 작업을 분석한 결과, 인공지능으로 생성된 코드는 45%의 경우 보안 취약성을 도입한다는 것을 발견했습니다. 실제 영향은 무엇일까요? 5개의 보안 사고 중 1개는 이제 인공지능으로 생성된 코드로 인해 발생합니다.

속도 향상은 실제이지만, 안정성 비용도 실제입니다.

증폭 효과

私は 한 가지를 배웠습니다. 인공지능은 모든 것을 증폭합니다. 좋은 관행이 있다면, 인공지능은 그것을 더 좋게하고 빠르게 만듭니다. 프로세스가 지저분하다면, 인공지능은 그 지저분함을 더욱 악화시킵니다. 이것은 DORA의 연간 DevOps 보고서에서 매년 나타나는 패턴을 반영합니다. 변수가 적으면 결과가 더 좋습니다. 성공적인 팀은 운영 체제, 프로그래밍 언어, 하는 방법이 적은 표준을 설정합니다. 그들은 의도적으로 복잡성을 줄입니다.

인공지능 에이전트도 동일한 패턴을 따릅니다. 일관된 환경에서 Python 버전이 모든 개발자의 머신에서 동일하고, 의존성이 잠겨 있고 추적되면, 인공지능 에이전트는 잘 작동합니다. 17개의 서로 다른 구성으로 인해 환경의 특이한 차이를 탐색하도록 강요하면, 실제 문제를 해결하는 대신 환경의 특이성을 파악하는 데 토큰을 소비합니다.

결정론의 역설

이것은 흥미로운 긴장을 만듭니다. 수년 동안 컴퓨터 과학은 결정론을 궁극의 목표로 추구했습니다. 이제 우리는 확률적 워크로드, 인공지능 모델, 즉 같은 출력을 두 번 보장할 수 없는 것을 예측 가능한 시스템 위에 실행하고 있습니다.

私の答え는? 가능한 한 스택의 많은 부분을 결정론적으로 유지합니다. 인프라의 80%를 결정론적 수준으로 유지할 수 있다면, 인공지능 에이전트는 관리해야 할 변수가 적습니다. “의존성이 설치되지 않았기 때문에 왜 이것이 실패했는지” 또는 “이 빌드 명령을 다시 시도해 보겠습니다”와 같은 내용을”context windows”에 소비하지 않습니다. 실제로 요청하는 작업에만 집중합니다.

이것에 대해 생각해 보십시오. 에이전트가 컴파일을 시도했지만 네이티브 바인딩이 ImageMagick이 설치되지 않아 실패하면, 그것은 토큰-비싼 우회입니다. 환경에 이미 필요한 모든 것이 포함되어 있다면(컴파일러, 라이브러리, 의존성 트리 전체), 에이전트는 그냥 작동합니다. 디버깅, 시도와 오류, 진행만 있습니다.

사양 및 검증은 핵심입니다

明らかになる 것은 인공지능 주도 개발이 사양 및 검증이라는 역사적으로 저평가된 두 가지 기술에 대해 더 많이 생각하도록 강요한다는 것입니다. 실제로 무엇을 구축하고 있는지 설명해야 하며, 그것을 얻었는지 확인하는 강력한 방법이 필요합니다.

私は интерес 있는 것을 발견했습니다. 제품 관리 또는 제품 엔지니어링 배경을 가진 사람들은 현재 인공지능 에이전트와 함께 더 성공적입니다. 그들은 이미 요구 사항, 성공 기준, 트레이드 오프에 대한 생각을 익숙하게 생각합니다. 그들은 “왜那样 선택했나요?”라고 묻고, 이유에 따라 조정합니다.

검증, 즉 실제로 올바른지 확인하는 것은 항상 소프트웨어 엔지니어링에서 가장 어려운 문제였습니다. 품질 보증은 수십 년 동안 범죄적으로 저평가되었습니다. 그러나 그것은 가장 어려운 부분입니다. 소프트웨어가 실제 사용자 요구를 해결하는지 확인하는 것입니다. 인공지능은 이것을 해결하지 않습니다. 만약에, 그것은 더 중요하게 만듭니다. 왜냐하면, 이제 확률적 출력을 결정론적 요구 사항에 대해 검증하기 때문입니다.

신뢰하지만 검증하고(및 제어)하십시오

私は 받아들이고 있는 생각이 있습니다. 우리는 인공지능에 의해 생성된 코드가 악의적이지 않지만, 단지 우리가 모르는 것이라는 것을 가정해야 합니다. 우리는 매일 수천 줄의 코드를 생성하는 에이전트가 있기 때문에, 모든 줄을 감사할 수 없습니다.

이것은 제어 지점을 변경하는 것을 의미합니다. 개발 시간에 모든 것을 게이트할 수 없다면, 런타임에 더 강력한 제어가 필요합니다. 운영자, SRE, 플랫폼 팀, 프로덕션을 책임지는 누구든지, 실행 중인 것에 대한 더 나은 가시성, 완전한 의존성 추적, 모든 아티팩트에 대한 명확한 출처가 필요합니다.

재현성이 여기서 필수적입니다. 로컬에서 테스트한 아티팩트가 프로덕션에서 실행 중인 것과 동일하다는 것을 수학적으로 증명할 수 있다면, 지능적인 결정을 내릴 수 있습니다. 로컬에서 이미 실행했으며 아무 것도 변경되지 않았다면 CI에서 유닛 테스트를 다시 실행할 필요가 없습니다. 테스트 커버리지를 코드 변경에 매핑하여 관련 없는 테스트 세트를 건너뛸 수 있습니다.

무엇이 다음으로 옵니까?

우리는 변곡점에 있습니다. 이미 좋은 관행을 가지고 있던 팀은 인공지능으로 엄청난 생산성 향상을 보이고 있습니다. 어려움을 겪고 있던 팀은 이제 더 빠르게 어려움을 겪고 있습니다.

인공지능 주도 개발을 구동하는 인프라는 재현성으로부터 지어져야 합니다. 나중에 스캔 도구와 감사로 볼트온되지 않고, 개발자가 일하는 첫날부터 구축되어야 합니다. 개발 환경이 Mac과 Linux에서 동일하고, 모든 의존성이 추적되고 잠겨 있고, 모든 아티팩트에 대한 완전한 출처가 있는 경우, 인공지능 에이전트는 혼란의 생성자가 아닌乘数가 됩니다.

인공지능 시대에 성공하려는 팀에게 내가 가장 큰 조언은:

• 무자비하게 표준화하십시오. 변수가 적으면 성능이 더 높습니다. 기술 스택을 잠그고, 모든 플랫폼에서 일관된 환경을 강제하고, 인공지능이 증폭하기 전에 구성 드리프트를 제거하십시오. Python 버전 불일치가 현재 문제를 일으킨다면, 인공지능이 대규모로 코드를 생성할 때 10배 더 많은 문제를 일으킬 것입니다.

• 워크플로우에 검증을 구축하십시오. 인공지능이 인간이 검토할 수 있는 것보다 더 빠르게 코드를 생성하기 때문에, 수동 코드 검토만으로頼る 수 없습니다. 코드가 실제 요구 사항을 해결하는지 확인하는 자동 테스트를 구현하십시오. 강력한 게이트가 있는 CI/CD 파이프라인을 프로덕션 배포의 안전망으로 사용하십시오.

• 재현성을 인프라로 투자하십시오. 환경 일관성을 1등급 인프라 문제로 다루십시오. 로컬 환경, CI 환경, 프로덕션 환경이 동일하다는 것을 수학적으로 증명할 수 있다면, “내 머신에서 작동한다”라는 전체 클래스의 문제를 제거할 수 있습니다. 이것은 인공지능 확률적 워크로드를 안전하게 계층화할 수 있는 결정론적 기초입니다.

질문은 인공지능이 우리의 대부분의 코드를 작성할 것인가입니다. 이미 많은 팀에서 vậy입니다. 질문은 우리의 인프라가 따라갈 수 있는지입니다.